Python中用于删除XML注释和HTML元素的正则表达式

我正在使用通用提要解析器解析RSS内容。在描述标签中，有时 我得到的信息如下：

<!--This is the XML comment -->
<p>This is a Test Paragraph</p></br>
<b>Sample Bold</b>
<m:Table>Sampe Text</m:Table>

这是一个测试段落


粗体样本
样本文本

为了删除HTML元素/标记，我使用以下正则表达式

pattern = re.compile(u'<\/?\w+\s*[^>]*?\/?>', re.DOTALL | re.MULTILINE | re.IGNORECASE | re.UNICODE)
desc = pattern.sub(u" ", desc)

pattern=re.compile（u']*？\/？>，re.DOTALL | re.MULTILINE | re.IGNORECASE | re.UNICODE）
描述=模式子模式（u“”，描述）

---

这有助于删除HTML标记，但不删除xml注释。如何删除元素和XML元素？

以这种方式使用正则表达式是个坏主意

---

我会在使用真正的解析器后导航DOM树，并以这种方式删除我想要的内容。

以这种方式使用正则表达式是个坏主意

---

我会在使用真正的解析器后导航DOM树，并以这种方式删除我想要的内容。

为什么这么复杂

re.sub（“|”，lambda m:m.group（1）或“”，desc，flags=re.DOTALL）

---

如果您希望XML标记保持完整，您可能应该在上查看HTML标记列表，并使用

'（）| |'

regex。

为什么这么复杂

re.sub（“|”，lambda m:m.group（1）或“”，desc，flags=re.DOTALL）

如果希望XML标记保持完整，您可能应该在上查看HTML标记列表，并使用

'（）| |'

regex。

使用：

使用：

---

使用纯Python有一种简单的方法：

def remove_html_markup(s):
    tag = False
    quote = False
    out = ""

    for c in s:
            if c == '<' and not quote:
                tag = True
            elif c == '>' and not quote:
                tag = False
            elif (c == '"' or c == "'") and tag:
                quote = not quote
            elif not tag:
                out = out + c

    return out

def删除html标记：
tag=False
quote=False
out=“”
对于s中的c：
如果c==''且不加引号：
tag=False
elif（c==“'”或c==”）和标记：
quote=不引用
elif非标记：
out=out+c
返回

这里解释了这一想法：

您可以看到它在这里工作：

PS-如果你对这个类感兴趣（关于python的智能调试），我给你一个链接：。它是免费的

---

不客气！

使用纯Python有一个简单的方法：

def remove_html_markup(s):
    tag = False
    quote = False
    out = ""

    for c in s:
            if c == '<' and not quote:
                tag = True
            elif c == '>' and not quote:
                tag = False
            elif (c == '"' or c == "'") and tag:
                quote = not quote
            elif not tag:
                out = out + c

    return out

def删除html标记：
tag=False
quote=False
out=“”
对于s中的c：
如果c==''且不加引号：
tag=False
elif（c==“'”或c==”）和标记：
quote=不引用
elif非标记：
out=out+c
返回

这里解释了这一想法：

您可以看到它在这里工作：

PS-如果您对这个类感兴趣（关于python的智能调试），我给您一个链接：。它是免费的

---

不客气

这还不够吗

r''

正确的方法是使用像@duffymo这样的XML解析器。在这种情况下，尝试使用解析器是一种过分的做法。您不需要知道树结构、标记名称空间、名称和属性就可以将它们扔掉，是吗？哦，@rplnt，你忘了CDATA（

更多的文本]]>

），这还不够吗

r''

正确的方法是使用像@duffymo这样的XML解析器。在这种情况下，尝试使用解析器是一种过分的做法。您不需要知道树结构、标记名称空间、名称和属性就可以将它们扔掉，是吗？哦，@rplnt，您忘记了CDATA（

更多文本]]>

）。根据此处接受的答案。用漂亮的汤来代替。你们这些来自禁酒运动的家伙真的把我吓坏了。正则表达式不能用于解析XML，因为标记可以嵌套（

），但它们可以用于剥离标记，因为标记只是尖括号之间的任何东西。看看维基百科，该死的。（对不起。）没有禁止regexp的运动，只是指出每个任务都应该使用正确的工具，在去掉标记之前，你必须找到它，你会怎么做？使用regexp？坏主意。那么到底为什么不好呢？因为DOM树有更多的上下文，它给你元素类型信息，并且它有一个很好的API（XPath）来查找东西。根据这里接受的答案。用漂亮的汤来代替。你们这些来自禁酒运动的家伙真的把我吓坏了。正则表达式不能用于解析XML，因为标记可以嵌套（

），但它们可以用于剥离标记，因为标记只是尖括号之间的任何东西。看看维基百科，该死的。（对不起。）没有禁止regexp的运动，只是指出每个任务都应该使用正确的工具，在去掉标记之前，你必须找到它，你会怎么做？使用regexp？不好的主意。那么到底为什么不好呢？因为DOM树有更多的上下文，它给你元素类型信息，并且它有一个很好的API（XPath）来查找东西。

def remove_html_markup(s):
    tag = False
    quote = False
    out = ""

    for c in s:
            if c == '<' and not quote:
                tag = True
            elif c == '>' and not quote:
                tag = False
            elif (c == '"' or c == "'") and tag:
                quote = not quote
            elif not tag:
                out = out + c

    return out